בעידן שבו מודלים גדולים של שפה (LLMs) מתקדמים בעיקר בסקיילינג עומק – סוכן יחיד שפותר בעיות מורכבות עם חשיבה רב-פעימות ושימוש בכלים – הבקבוק הצוואר משתנה. ככל שהמשימות מתרחבות, הצורך עובר מיכולת אישית ליכולת ארגונית. מחקר חדש ב-arXiv מציג את WideSeek-R1, גישה חדשנית של סקיילינג רוחב באמצעות מערכות רב-סוכנים שמאפשרת עבודה מקבילה יעילה לחיפוש מידע רחב.
WideSeek-R1 היא מסגרת lead-agent-subagent שמאומנת באמצעות למידה מחוזקת רב-סוכנים (MARL). היא משתמשת ב-LLM משותף עם הקשרים מבודדים וכלים מיוחדים, ומאפשרת תזמור מקבילה וסינרגיה בין הסוכן הראשי לסוכנים המשניים. בניגוד למערכות רב-סוכנים קיימות שמסתמכות על זרימות עבודה ידניות ואינטראקציות לסירוגין, WideSeek-R1 מאומנת על 20 אלף משימות חיפוש מידע רחבות, ומשפרת את היכולת לבצע עבודה מקבילה ביעילות.
בניסויים מקיפים, WideSeek-R1-4B השיגה ציון F1 של 40.0% במבחן WideSearch, שווה כמעט לביצועי DeepSeek-R1-671B – מודל יחיד ענק פי 168 בגודלו. היתרון הבולט: הביצועים משתפרים באופן עקבי ככל שמספר הסוכנים המשניים המקבילים גדל, מה שמדגיש את יעילות סקיילינג הרוחב.
המשמעות של WideSeek-R1 היא פורצת דרך בתחום חיפוש המידע הרחב, שם משימות כמו איסוף נתונים ממקורות מרובים דורשות תיאום מורכב. בהשוואה לגישות עומק, סקיילינג רוחב מאפשר חיסכון משמעותי במשאבים חישוביים. בישראל, שבה חברות טק משקיעות רבות ב-AI, גישה זו יכולה להאיץ פיתוח כלים עסקיים כמו ניתוח שוק מקיף או מחקר תחרותי בזמן אמת.
מנהלי עסקים צריכים לשים לב: WideSeek-R1 מוכיחה שמודלים קטנים יותר עם ארכיטקטורה רב-סוכנית יכולים להתחרות בענקים, ולהציע גמישות גבוהה יותר. ככל שהנתונים גדלים, סקיילינג רוחב יהפוך לסטנדרט. האם חברתכם מוכנה לאמץ מערכות רב-סוכנים? קראו את המחקר המלא ב-arXiv כדי להעריך את ההשלכות.